一种可解释的人工智能引导框架,用于癌症疼痛特征分析及临床决策制定
《Pain Management Nursing》:An Explainable AI–Guided Framework for Cancer Pain Phenotyping and Clinical Decision-Making
【字体:
大
中
小
】
时间:2026年10月09日
来源:Pain Management Nursing 2.5
编辑推荐:
摘要目的目前的疼痛管理主要依赖于疼痛强度,但这可能无法反映患者的个体差异或指导个性化护理。机器学习(ML)和可解释人工智能(XAI)的进步为通过识别具有临床意义的亚群和提高模型可解释性来改进疼痛评估提供了机会。本研究旨在使用可解释的机器学习方法识别不同的癌症疼痛表型,并开发一个基
摘要
目的
目前的疼痛管理主要依赖于疼痛强度,但这可能无法反映患者的个体差异或指导个性化护理。机器学习(ML)和可解释人工智能(XAI)的进步为通过识别具有临床意义的亚群和提高模型可解释性来改进疼痛评估提供了机会。本研究旨在使用可解释的机器学习方法识别不同的癌症疼痛表型,并开发一个基于表型的临床决策框架,以支持个性化的疼痛评估和管理。
方法
使用ML分析了260名癌症患者的数据,以识别不同的疼痛表型。变量包括疼痛强度、灾难化思维、心理困扰、生活质量以及自我管理策略。评估了三种ML模型:极端梯度提升(XGB)、轻量级梯度提升机(LGBM)和分类提升(CatBoost),并使用准确率、精确度、召回率和F1分数进行评价。应用了两种XAI方法:SHapley加性解释(SHAP)和局部可解释模型不可知解释(LIME),以提高模型透明度并识别表型分类的关键预测因素。
结果
识别出了四种癌症疼痛表型:高负担疼痛、灾难化主导型、压力相关疼痛和低风险适应性疼痛。CatBoost的表现最好(准确率为0.98;F1分数为0.97)。SHAP分析表明,疼痛灾难化思维和心理困扰是最强的预测因素,而疼痛强度的贡献较小。LIME分析证实,个体预测主要由认知和情绪因素驱动。开发了一个基于表型的临床决策框架,以使患者特征与针对性的干预措施相匹配。
结论
将ML和XAI整合到癌症疼痛评估中,可以提供对患者多维特征的临床可解释见解。所识别的表型和提出的框架支持个性化的、基于机制的疼痛管理。将心理和行为维度纳入常规评估可能会改善临床决策和患者结果。
临床意义
部分摘录
材料与方法
使用ML和XAI进行癌症疼痛表型分型的方法论框架详见图1。
研究设计
这项横断面观察性研究旨在使用可解释的ML技术识别不同的癌症疼痛表型。采用生物心理社会框架来捕捉癌症疼痛的多维性质,整合了临床疼痛指标、心理困扰测量、认知疼痛处理、与健康相关的生活质量以及行为适应变量。应用机器学习算法将患者分类到不同的表型组中,并使用XAI技术
参与者
共有260名成年癌症患者参与研究,他们来自一家拥有1200张床位的阿拉伯约旦公立教学医院。参与者需满足以下条件:年龄在18岁及以上,确诊为癌症,报告有需要镇痛管理的疼痛,并且具有提供知情同意和完成自我管理问卷的认知能力。排除有严重沟通障碍或可能干扰研究的精神疾病的患者
数据收集程序
参与者从门诊肿瘤科和住院病房前瞻性招募。数据收集包括医疗记录审查和自我管理问卷的填写。经过培训的研究助理在门诊或住院病房的私人区域内接触符合条件的患者,解释每种工具的目的和内容,并分发纸质问卷包。患者在一次会话中独立完成问卷
伦理考量
在数据收集前,已从参与医院的机构审查委员会(IRB Ref: 7028)获得了伦理批准。在提供书面知情同意书之前,参与者获得了关于研究目的、程序和保密措施的详细信息。参与是自愿的,参与者被告知可以随时退出而不影响其医疗护理。所有收集的数据在分析前已去标识化
数据准备
数据集被导出为逗号分隔值(CSV)格式,并使用Python 3.12.10进行分析。ML建模使用了XGB 3.2.0、LGBM 4.6.0、CatBoost 1.2.10、SHAP 0.50.0和LIME 0.2.0.1版本。预处理后,数据集包括了人口统计特征、临床变量、疼痛强度指标、心理认知分数、与健康相关的生活质量测量以及应对行为。名义变量包括:性别
表型识别
根据多维临床领域,将患者分类为四种临床可解释的癌症疼痛表型。每种表型代表了不同的生物心理社会疼痛模式,包括疼痛严重程度、认知处理、心理困扰、功能健康和应对行为的差异。这种分类有助于识别癌症患者中的异质性疼痛特征,并促进进一步的对表型模式的ML建模。
机器学习(ML)建模
数据集被随机分层并分为训练集和测试集,其中约80%用于训练,剩余20%用于测试。使用准确率、精确度、召回率和F1分数评估模型性能。开发了监督式ML分类模型,将患者分类到识别的癌症疼痛表型中。混淆矩阵通过将结果分组在四个类别下,展示了ML模型基于每个表型的预测准确性
可解释人工智能(XAI)
为了提高模型的可解释性并促进其临床应用,应用了可解释人工智能技术。使用SHapley加性解释(SHAP)来量化单个变量对模型预测的贡献(Lundberg & Lee, 2017)。全局SHAP分析确定了对表型分类影响最大的预测因子,并使用SHAP摘要图进行了特征重要性排序。局部SHAP
参与者特征
共有260名参与者参与了本研究。近一半的参与者年龄在24-50岁之间(n = 117,45.0%)。样本中男性和女性的比例大致相等(n = 126,48.5%和n = 134,51.5%)。大多数参与者已婚(n = 198,76.2%),超过一半的人完成了高中教育(n = 149,57.3%),42.7%(n = 111)拥有学士学位或更高学历。在生活方式方面,大多数参与者目前吸烟(n = 197,75.8%)。大多数
讨论
本研究在多维框架内应用了可解释的机器学习方法,以识别具有临床意义的癌症疼痛表型,克服了传统单一领域评估方法的局限性。识别出四种不同的表型:高负担疼痛表型、灾难化主导表型、压力相关疼痛表型和低风险适应性表型。这些表型根据其主导的临床特征定义,代表了
结论
本研究识别出了具有独特认知、心理和行为特征的癌症疼痛表型,突显了肿瘤学人群中疼痛的多维性质。疼痛体验更多地受到灾难化思维、压力和应对行为的影响,而不仅仅是疼痛强度本身,这强调了基于疼痛强度的传统评估方法的局限性。可解释的机器学习提供了关于塑造表型因素的透明且临床可解释的见解
CRediT作者贡献声明
Heba Khalil:撰写 – 审稿与编辑,撰写 – 原始草稿,验证,监督,方法论,调查,数据管理,概念化。Abedalmajeed Shajrawi:资源,方法论,调查,数据管理,概念化。Wegdan Bani-issa:撰写 – 原始草稿,软件,方法论,调查,数据管理,概念化。Fatma Refaat Ahmed:撰写 – 审稿与编辑,撰写 – 原始草稿,可视化,验证,概念化。Alham
利益冲突声明
作者声明他们没有已知的可能会影响本文报道工作的竞争财务利益或个人关系。
伦理批准
在数据收集前,已从参与医院的机构审查委员会(IRB Ref: 7028)获得了伦理批准。
资金
本研究未从公共、商业或非营利部门的资助机构获得任何特定资助。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号